认知工作空间：面向大语言模型的主动记忆管理——一项功能性无限上下文的实证研究

尽管近期进展已将上下文窗口扩展到数百万个token，大语言模型（LLMs）在上下文管理方面仍面临根本性限制。我们提出了认知工作空间（Cognitive Workspace），这是一种超越传统检索增强生成（RAG）的新范式，它模拟了人类使用外部记忆的认知机制。借鉴认知科学基础，包括Baddeley的工作记忆模型、Clark的延展心智论题和Hutchins的分布式认知框架，我们证明了当前的被动检索系统未能捕捉到人类记忆管理的动态、任务驱动本质。我们对2024-2025年进展的分析揭示，尽管Infini-attention和StreamingLLM等技术实现了令人印象深刻的上下文长度，但它们缺乏真正认知扩展所必需的元认知意识和主动规划能力。认知工作空间通过三项核心创新来解决这些限制：（1）带有审慎信息策展的主动记忆管理，（2）支持持久工作状态的层次化认知缓冲区，以及（3）动态适应认知需求的任务驱动上下文优化。实证验证表明，认知工作空间实现了平均58.6%的记忆复用率（在不同任务中介于54-60%之间），而传统RAG为0%，尽管操作次数增加了3.3倍，但净效率增益为17-18%。统计分析证实了这些优势，在多种任务类型中p < 0.001且Cohen's d > 23，为LLM系统中主动记忆的优越性提供了首个定量证据。我们提出了一个综合了50多篇近期论文见解的全面理论框架，将认知工作空间定位为从信息检索到真正认知增强的根本性转变。